Werkzeugzustandsdiagnose

Steckbrief

Eckdaten

Laufzeit:
01.04.2019 bis 31.03.2021
Organisationseinheit:
Lehrstuhl für Technologie der Fertigungsverfahren, Zerspantechnik
Fördergeber:
Aktuell: Vorwettbewerbliche Forschung, Geplant: Arbeitsgemeinschaft industrieller Forschungsvereinigungen AiF und Bundesministerium für Bildung und Forschung BMBF
Status:
Abgeschlossen

Forschungspartner

    • Anwender von spanenden Fertigungsprozessen
    • Hersteller von Werkzeugen, Beschichtungen und Kühlschmierstoffen
    • Werkzeugmaschinenhersteller
 

Wissen über die aktuelle Änderung der Werkzeugschneide infolge der tribologischen Beanspruchung im Zerspanprozess ist mit Blick auf Fragen der Prozesssicherheit und Produktivität für die spanende Fertigung von essenziellem Interesse. Daher streben wir mit unseren Forschungs- und Entwicklungsaktivitäten eine produktionsbegleitende und prozessnahe Werkzeugzustandsdiagnose an, die mit hoher Transparenz und Zuverlässigkeit über die Einsatzfähigkeit des aktuellen Zerspanwerkzeuges entscheidet.

Um dieses Ziel zu erreichen, arbeiten wir in unserem Forscherteam für Sie an einem ganzheitlichen Lösungsansatz, der die Möglichkeiten und Vorteile von direkten und indirekten Verfahren zur Analyse des Werkzeugzustands vereint. Auf der Basis von prozess- und maschinenintegrierten Sensorsignalen wird eine kontinuierliche und von der Eingriffssituation unabhängig quantitative Schätzung des Werkzeugzustandes realisiert. Bestehende Restriktionen, die aus der limitierten Qualität der Datenquellen resultiert, werden mithilfe von Zusatzwissen aus einer direkten und objektiven Messung von Verschleißmerkmalen kompensiert. Der Schätzfehler wird reduziert und damit die Güte und Robustheit der prozessbegleitenden Werkzeugzustandsdiagnose gegenüber Stand der Technik Ansätzen deutlich erhöht. Die direkte Messung wird über eine optische Erfassung der Werkzeugschneide mittels eines maschinenintegrierten Kamerasystems umgesetzt.

Neben der Frage wie hochqualitative Bildaufnahmen der Werkzeugschneide in Maschinenumgebungen automatisiert erreicht werden können, legen wir den Forschungsfokus auf die zuverlässige Extraktion der Verschleißzone aus den Bildaufnahmen. Dazu untersuchen und bewerten wir unterschiedlichste Bildverarbeitungsmethoden von klassischen Filter- und Segmentierungsverfahren bis hin zu neuen Ansätzen des Deep Learnings.